阿里巴巴
校招搜推广场景的训推效能攻坚面向高吞吐低延迟的AI架构创新-阿里星/Bravo Star
北京/杭州 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1. 扎实的计算机根基： 精通数据结构、设计模式、操作系统、网络编程、计算机体系结构等核心知识;
- 2. 卓越的工程能力： 精通Linux环境下C++/Java开发，熟练掌握Python等脚本语言。了解GPU架构，具备CUDA编程、Triton编程，熟悉TensorFlow/PyTorch等框架经验者优先考虑;
- 3. AI工程实践与热情： 了解机器学习和深度学习基础，优先考虑候选人：
- ○ 具备算法工程全链路（特征工程、模型训练、在线推理）实际经验。
- ○ 拥有大模型应用实践、训练/推理加速优化经验者。
- 4. 优秀的软实力： 具备出色的沟通协作能力、强烈的自驱力、高度的责任感和持续学习的热情。
岗位描述
阿里巴巴国际数字商业集团（AIDC）的智能技术-智能引擎团队，负责支撑包括Lazada、AliExpress、Miravia、Daraz等在内的阿里巴巴全球化电商平台的搜索、推荐、广告、用户增长等核心技术。我们致力于将AI领域最前沿的技术（如深度学习、大模型、Agent等）与全球化电商业务的复杂挑战深度融合，持续打造更智能、更极致的全球购物体验，并赋能数百万商家实现数字化经营提效。
选择我们，意味着：
● 投身全球领先的电商智能战场： 深度参与高速增长、充满活力的全球化电商业务，直面海量用户与复杂场景的挑战;
● 塑造最前沿的AI技术影响力： 与顶尖技术伙伴一起，探索并构建驱动未来全球电商发展的核心AI能力，你的技术将影响全球数亿消费者和百万商家;
● 无限可能的职业发展空间： 在阿里巴巴国际化的大舞台上，接触世界级的技术难题与业务规模，获得技术深度与业务视野的双重飞跃。
你将参与：
- 1. 打造支持 Agentic AI、多模态、长上下文推理的超大规模训练架构;
- 2. 深度优化 FlashAttention、PagedAttention、Continuous Batching 等尖端加速技术;
- 3. 推动 LLM 与 Recommender System 融合架构的首次规模化落地.
你将负责：
- 1. 打造行业领先的AI工程平台： 设计并构建支撑算法模型高效迭代的标准化平台体系（特征平台、训练平台、在线推理框架等），打通算法创新与业务验证的“任督二脉”，加速模型价值落地;
- 2. 攻坚大模型工程化挑战： 深入探索生成式AI（AIGC）技术在实际业务中的规模化落地，主导大模型训练、推理加速、性能优化等核心工程难题的解决;
- 3. 开拓AI创新应用的边界： 积极探索AI在搜索/推荐/广告（搜推广）等核心场景的颠覆性应用（如生成式召回、生成式排序、行为大模型），以及AI Agent技术在智能运维、资源优化、智能客服助手等领域的创新实践，为业务创造新价值。
- 1. 扎实的计算机根基： 精通数据结构、设计模式、操作系统、网络编程、计算机体系结构等核心知识;
- 2. 卓越的工程能力： 精通Linux环境下C++/Java开发，熟练掌握Python等脚本语言。了解GPU架构，具备CUDA编程、Triton编程，熟悉TensorFlow/PyTorch等框架经验者优先考虑;
- 3. AI工程实践与热情： 了解机器学习和深度学习基础，优先考虑候选人：
○ 具备算法工程全链路（特征工程、模型训练、在线推理）实际经验。
○ 拥有大模型应用实践、训练/推理加速优化经验者。
- 4. 优秀的软实力： 具备出色的沟通协作能力、强烈的自驱力、高度的责任感和持续学习的热情。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。